已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-Ray Image

特征(语言学) 编码(集合论) 计算机科学 卷积(计算机科学) 人工智能 特征提取 模式识别(心理学) 图像(数学) 焊接 卷积神经网络 人工神经网络 计算机视觉 工程类 机械工程 哲学 集合(抽象数据类型) 程序设计语言 语言学
作者
Moyun Liu,Youping Chen,Jingming Xie,Lei He,Yang Zhang
出处
期刊:IEEE Sensors Journal [Institute of Electrical and Electronics Engineers]
卷期号:23 (7): 7430-7439 被引量:38
标识
DOI:10.1109/jsen.2023.3247006
摘要

X-ray image plays an important role in manufacturing industry for quality assurance, because it can reflect the internal condition of weld region. However, the shape and scale of different defect types vary greatly, which makes it challenging for model to detect weld defects. In this article, we propose a weld defect detection method based on convolution neural network (CNN), namely, lighter and faster YOLO (LF-YOLO). In particular, a reinforced multiscale feature (RMF) module is designed to implement both parameter-based and parameter-free multiscale information extracting operations. RMF enables the extracted feature map to represent more plentiful information, which is achieved by a superior hierarchical fusion structure. To improve the performance of detection network, we propose an efficient feature extraction (EFE) module. EFE processes input data with extremely low consumption and improves the practicability of whole network in actual industry. Experimental results show that our weld defect detection network achieves satisfactory balance between performance and consumption and reaches 92.9 mean average precision (mAP50) with 61.5 frames/s. To further prove the ability of our method, we test it on the public dataset MS COCO, and the results show that our LF-YOLO has an outstanding versatility detection performance. The code is available at https://github.com/lmomoy/LF-YOLO .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
2秒前
xiaoxiao发布了新的文献求助10
5秒前
5秒前
刘斌发布了新的文献求助10
5秒前
伶俐怀亦发布了新的文献求助10
7秒前
12秒前
byX完成签到,获得积分20
15秒前
Larry完成签到,获得积分10
18秒前
隔壁的镇长完成签到,获得积分10
19秒前
烊驼完成签到,获得积分10
20秒前
pupi完成签到 ,获得积分10
22秒前
充电宝应助xiaokezhang采纳,获得10
23秒前
医疗废物专用车乘客完成签到,获得积分10
25秒前
友好诗柳完成签到 ,获得积分10
28秒前
30秒前
30秒前
32秒前
可爱的函函应助伶俐怀亦采纳,获得10
32秒前
动听的飞松完成签到 ,获得积分10
33秒前
喜糖发布了新的文献求助10
35秒前
希望天下0贩的0应助可言采纳,获得10
36秒前
36秒前
慕青应助研友_LNM0y8采纳,获得30
36秒前
37秒前
xiaokezhang完成签到,获得积分20
38秒前
进击的研狗完成签到 ,获得积分10
40秒前
xiaokezhang发布了新的文献求助10
41秒前
chenyuns发布了新的文献求助10
41秒前
充电宝应助byX采纳,获得10
43秒前
金灶沐完成签到 ,获得积分10
43秒前
研友_LNM0y8完成签到,获得积分10
48秒前
GZX完成签到,获得积分10
49秒前
cxx完成签到 ,获得积分10
50秒前
50秒前
CMD完成签到 ,获得积分10
51秒前
ch完成签到,获得积分10
54秒前
58秒前
HY应助ch采纳,获得10
59秒前
lllwww完成签到 ,获得积分10
59秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
Dictionary of socialism 350
Mixed-anion Compounds 300
Geochemistry, 2nd Edition 地球化学经典教科书第二版 300
Idoxuridine 260
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3196567
求助须知:如何正确求助?哪些是违规求助? 2845265
关于积分的说明 8053695
捐赠科研通 2509895
什么是DOI,文献DOI怎么找? 1342105
科研通“疑难数据库(出版商)”最低求助积分说明 639304
邀请新用户注册赠送积分活动 608595